论文解读系列二十五：LayoutLM: 面向文档理解的文本与版面预训练

1. 引言

  文档理解或文档智能在当今社会有着广泛的用途。如图1所示的商业文档中记录有丰富、具体的信息，同时也呈现着复杂多变的版式结构，因此如何准确地理解这些文档是一个极具挑战性的任务。在本文之前，基于模型的文档理解有着如下两点不足： (1) 针对具体场景，采用人工标注数据进行端到端的有监督训练，没有利用大规模的无标注数据，且模型难以泛化至其他版式或场景；（2）利用CV或NLP领域的预训练模型进行特征提取，没有考虑文本与版面信息的联合训练。

  针对上述不足，微软亚研院的研究者们提出了如图2所示的LayoutLM模型 [1]，利用大规模无标注文档数据集进行文本与版面的联合预训练，在多个下游的文档理解任务上取得了领先的结果。具体地，LayoutLM模型很大程度上借鉴了BERT模型 [2]。在模型输入层面，LayoutLM在BERT采用的文本与位置特征基础上，新增了两个特征：（1）2-D位置特征，也就是文档版面特征；（2）文档图像全局特征与单词级别特征，采用了Faster R-CNN [3] 的ROI特征。在学习目标层面，采用了掩码视觉语言模型（Masked Visual-Language Model, MVLM）损失与多标签文档分类（Multi-label Document Classification，MDC）损失进行多任务学习。在训练数据层面，LayoutLM在IIT-CDIP Test Collection 1.0 [4] 数据集的约一千一百万张的扫描文档图像上进行预训练，该数据集包含信件、备忘录、电子邮件、表格、票据等各式各样的文档类型。文档图像的文本内容与位置信息通过开源的Tesseract [5] 引擎进行获取。

2. LayoutLM

2.1 模型结构

  LayoutLM在BERT模型结构基础上，新增了两个输入特征：2-D位置特征与图像特征。

  2-D位置特征：2-D位置特征的目的在于编码文档中的相对空间位置关系。一个文档可视为一个坐标系统，其左上角即为坐标原点 $(0,0)$。对于一个单词，其包围盒能够以坐标 $(x_0,y_0,x_1,y_1)$进行表示，其中 $(x_0,y_0)$ 表示左上角坐标， $(x_1,y_1)$表示右下角坐标。 $x_0$与 $x_1$共享嵌入层参数 $X$， $y_0$与 $y_1$共享嵌入层参数 $Y$。特别地，整个文档图像的包围盒为 $(0,0,W,H)$， $W$与 $H$分别表示文档图像的宽与高。

  图像特征：根据单词的包围盒，LayoutLM利用ROI操作从Faster R-CNN的输出特征图中生成图像区域特征，与单词一一对应。对于特殊的[CLS]标记（[CLS]标记的输出接分类层，用于文档分类任务，详情可见BERT模型），则采用整图的平均特征作为该标记的图像特征。应该注意的是，LayoutLM在预训练阶段并没有采用图像特征；图像特征仅在下游任务阶段可以选择性地加入，而生成图像特征的Faster R-CNN模型权重来自于预训练模型且不作调整。

2.2 LayoutLM预训练

  预训练任务#1：掩码视觉语言模型MVLM。在预训练阶段，随机掩盖掉一些单词的文本信息，但仍保留其位置信息，然后训练模型根据语境去预测被掩盖掉的单词。通过该任务，模型能够学会理解上下文语境并利用2-D位置信息，从而连接视觉与语言这两个模态。

  预训练任务#2：多标签文档分类MDC。文档理解的许多任务需要文档级别的表征。由于IIT-CDIP数据中的每个文档图像都包含多个标签，LayoutLM利用这些标签进行有监督的文档分类任务，以令[CLS]标记输出更为有效的文档级别的表征。但是，对于更大规模的数据集，这些标签并非总可获取，因此该任务仅为可选项，并且实际上在后续的LayoutLMv2中被舍弃。

2.3 LayoutLM模型微调

  在该论文中，预训练的LayoutLM模型在三个文档理解任务上进行模型微调，包括表格理解、票据理解以及文档分类，分别采用了FUNSD、SROIE以及RVL-CDIP数据集。对于表格与票据理解任务，模型为每个输入位置进行{B, I, E, S, O}序列标记预测，从而检测每个类别的实体。对于文档分类任务，模型利用[CLS]标记的输出特征进行类别预测。

3. 实验

  LayoutLM模型与BERT模型具有一致的Transformer [6] 网络结构，因此采用BERT模型的权重进行初始化。具体地，BASE模型为12层的Transformer，每层包含768个隐含单元与12个注意力头，共有113M参数；LARGE模型为24层的Transformer，每层包含1024个隐含单元与16个注意力头，共有343M参数。具体的训练细节与参数设定请参见论文。

  表格理解。表格1与表格2展示了LayoutLM在表格理解数据集FUNSD上的实验结果，包含不同模型、不同训练数据量、不同训练时长、不同预训练任务等多种设定。首先，可以看到，引入了视觉信息的LayoutLM模型在精度上取得了大幅度的提升。其次，更多的训练数据、更长的训练时间、更大的模型能够有效地提升模型精度。最后，MDC预训练任务在数据量为1M与11M时具有相反效果，大数据量情况下仅用MVLM效果更优。

  此外，原论文作者还对比了LayoutLM模型不同初始化方式对于下游任务的影响，如表格3所示。可以看到，利用RoBERTa（A Robustly Optimized BERT）模型参数进行初始化，相比于利用原始BERT模型参数进行初始化，能够一定程度提升LayoutLM模型在下游任务上的精度。

  票据理解。表格4展示了LayoutLM在票据理解数据集SROIE上的实验结果。可以看到，LayoutLM LARGE模型的结果优于当时SROIE竞赛榜单第一名的结果。

  文档图像分类。表格5展示了LayoutLM在文档图像分类数据集RVL-CDIP上的实验结果。同样地，可以看到，LayoutLM取得了领先的结果。

4. 小结

  本文介绍的LayoutLM模型利用大规模无标注文档数据集进行文本与版面的联合预训练，在多个下游的文档理解任务上取得了领先的结果。论文作者指出，更大规模的数据集与模型、在预训练阶段考虑图像特征是下一步的研究方向。

[1] Xu Y, Li M, Cui L, et al. LayoutLM: Pre-training of text and layout for document image understanding. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020: 1192-1200.

[2] Devlin J, Chang M W, Lee K, et al. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT. 2019: 4171-4186.

[3] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in neural information processing systems, 2015, 28: 91-99.

[4] Lewis D, Agam G, Argamon S, et al. Building a test collection for complex document information processing. Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval. 2006: 665-666.

[5] https://github.com/tesseract-ocr/tesseract

[6] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need. Advances in neural information processing systems. 2017: 5998-6008.


想了解更多的AI技术干货，欢迎上华为云的AI专区，目前有AI编程Python等六大实战营供大家免费学习